信息技术（第2版）（拓展模块）教案 拓展模块5 5.3常用核心技术1

2/7课题名称决策树授课类型理实一体授课对象授课课时所授课程授课地点所授教材一、学情分析本课程授课对象为高职各专业大一学生，课程开设在大一第2学期，学生在知识储备、学习特点和信息素养的情况如下：1.知识与技能储备学生理解了机器学习的基本原理，熟悉了机器学习项目开发流程与步骤，能够区分监督学习和无监督学习的不同点2.学习特点授课对象在学习方面表现出如下特点：（1）喜好电脑与互联网的应用，线上操作所见即所得可以引发学习兴趣；（2）喜欢情境设定，厌烦平淡无奇的说教；（3）乐于接受可视化教学资源，反感静态纸质学习材料；（4）具有较强的求知欲，希望了解一些具体的人工智能方法。3.信息素养学生具备了基础的信息技术学科素养，二、教学内容1.知识目标2.能力目标3.素养目标1.教学重点八、教学环节教学环节教学内容教学活动策略与意图环节一课程回顾与学习目标(10分钟)【问题导入】什么是监督学习？分类任务主要解决什么问题？分类问题的一般形式决策树用途【学习目标】教师活动1.提出问题，回顾以前所学内容并引申出分类问题和决策树2.介绍本单元的学习任学生活动2.思考记录1.问题教学法：复习监督学习概念，为本次课程做好铺垫2.讲授教学法：介绍学习目标，使学生明确本次课的要求教学环节教学内容教学活动策略与意图环节二介绍决策树案例(10分钟)决策树案例：学习状态预测问题在教学过程中，教师常常需要通过学生的日常表现推知学生的学习状态。这一场景就可以被建模为监督学习问题。1.特征取值范围2.训练集教师活动学生活动1.案例分析法：学习状态预测问题案例是贯穿本次授课始终的案例，通过此案例，可以帮助学生具体形象地理解决策树2.结合案例讲解特征值、样本、标签等基本概念教学环节教学内容教学活动策略与意图环节三学习决策树基本原理(10分钟)1.决策树决策树是一个预测模型，其每一个内部（非叶子）结点表示一个决策特征（属性）ai，每一条边代表某个特征的一个可能取值，而每一个叶子结点则表示一个学习状态的分类结果“好”或“差”。从根结点到叶子结点的一条路径代表了一个决策过程的测试序列，一个数据点从根结点进入决策树后，会根据其特征值选择一条这样的路径，最终进入某个叶子结点代表的分类类别并得到最终的分类结果。2.决策树示例教师活动1.讲授决策树基本原理2.组织学生讨论如何手工建立案例所示的决策树学生活动1.讲授法：结合示例讲授决策树基本原理，使学生能够初步理解决策树的组织结构和决策原理2.讨论法：通过讨论如何手工建立案例所示的决策树，使学生对决策树有进一步了解，为讲解算法做好铺垫教学环节教学内容教学活动策略与意图环节四学习决策树基本算法(25分钟)1.基本思路决策树的训练过程就是根据训练集D生成一颗决策树的过程，其算法递归式自顶向下生成决策树，从根结点开始，每次生成一个叶子结点或者选择一个特征a生成内部结点。根结点处包含所有训练样本D，而之后的每个内部结点都会根据特征取值对属于该结点的样本集合进行一次划分。2.已知//数据来自训练样本集训练样本集D={(x1,y1),(x2,y2),…,(xn,yn)}//数据来自特征名称特征集A={a1,a2,…,ad}//数据来自特征取值范围特征值V={a1:{优秀,良好,较差},a2:{按时完成,不能完成},a3:{集中,一般,分散},a4:{高,低}}类别值Y={“好”,“差”}3.函数ID3(D,A)具体的决策树训练算法见拓展模块5中图5-16教师活动1.讲授构建决策树基本思路2.讲授构建决策树算法的已知条件3.讲授具体算法学生活动2.积极思考3.思考记录讲授法：结合案例讲授决策树构建算法，使学生能够逐步了解决策树的训练过程教学环节教学内容教学活动策略与意图环节五学习信息增益(15分钟)1.如何定义最优特征a*？为了能够尽快达到分类目标，希望位置越高的内部结点的决策特征对训练样本集合的分类能力越强。一个分类能力强的决策特征，其划分后的每个子集中的样本类别应该趋近一致，也就是说随着划分过程不断进行，分支结点的样本子集“纯度”应该越来越高。怎样度量一个结点上样本集合的“纯度”？2.信息熵信息熵是信息论中广泛使用的一个度量标准，它可以度量任意样本集合的“纯度”。Ent(D)=-p1log2p1–p2log2p2信息熵越大，正反例样本的比例越均匀，类别越不一致，样本的纯度越低，当正反例数量相同时，信息熵为1，达到最大值。反之，信息熵越小，样本类别越趋于一致，样本的纯度越高，当集合D中样本属于同一类别（都是正例或都是反例）时，信息熵为0，达到最小值。例：计算训练集对应的集合D的信息熵E怎样度量特征划分训练样本能力？3.信息增益一个特征的信息增益就是使用这个特征划分样本集合而导致的信息熵降低程度，在数学上可以定义为：Gain教师活动1.提问：如何定义最优特征a*？2.讲解选择最优特征的目标3.提问：怎样度量一个结点上样本集合的“纯度”？4.讲授信息熵概念，举例如何计算5.提问：怎样度量特征划分训练样本能力？6.讲授信息增益概念，举例如何计算学生活动启发式教学法和问题教学法相结合：通过不断提出问题解决问题，引导学生理解如何利用信息增益选择最优特征教学环节教学内容教学活动策略与意图环节六演示测试和评估(10分钟)1.测试集T={(良好,按时完成,一般,低,好),(较差,不能完成,一般,低,差)}2.测试路径3.测试评估正确率100%教师活动学生活动手工检测操作：利用测试数据手工检测决策树运行结果，使学生进一步理解决策树